[Avitus]

Hej.
W tym tygodniu powróciłem do problemu jakości powietrza i próby określenia gdzie było najlepiej i najgorzej w 2017 roku w Polsce. Wyszło tak sobie i nie za bardzo mam pomysł jak to ugryźć :D. Zasadniczym problemem jest mała ilość oficjalnych punktów pomiarowych. Ale o tym już w artykule ;)

https://www.jakbadacdane.pl/jakosc-powietrza-w-polsce-2-rok-2017-oczami-oddychajacego-polaka/

#jakbadacdane #datascience

[grajlord]

@Avitus:
Wydaje mi się, że potrzebujesz tak naprawdę dwóch statystyk, które będziesz potem analizował we wzajemnym kontekście - jakość powietrza oraz jakość danych.
W kwestii modelowania jakości powietrza, to u siebie stosujesz dość prostą metodę średniej ważonej, ja bym się zastanowił nad jakimś modelem "przestrzennym", modelującym też korelacje, jakiś model mieszany.
Jeżeli chodzi o modelowanie jakości danych, to jakaś prosta statystyka wynikająca z liczby dostępnych punktów i odległości.
Albo można wsiąknąć

[l.....y]

@Avitus: Siema, jak chcesz, to moge wrzucic twoje wyniki do tableau i zrobic heat map z jakoscia powietrza. Mysle, ze w ten sposob, moze sie to prezentowac znacznie lepiej.

[l.....y]

@Avitus: Pobawilem sie pare minut w ramach treningu.

[Avitus]

@lekkonieobecny: Wow, fajnie to wyszło. W sumie też mi się ten temat przewija cały czas w tle, ale nie ogarnąłem jeszcze na tyle heat map w Pythonie żeby było warto o tym pisać. A widziałem że faktycznie Tableau nieźle sprawdza się w takich wizualizacjach. Zdecydowanie też coś takiego muszę przygotować w Pythonie i w R ;)

[Avitus]

@grajlord: Myślę właśnie o modelowaniu czasoprzestrzennym, czyli oprócz uwzględnienia współrzędnych dołożyć do tego jeszcze informacje typu - godzina, dzień miesiąca, rok, dzień tygodnia, czy dzień jest świętem. Zobaczyć czy z tego da się coś wyczarować. A później dołożyć jeszcze informacje pogodowe: opady, ciśnienie, temperatura, wiatr.
A jeżeli już będę miał takie modele, to mogę wtedy spojrzeć na dane z przyszłych lat. Tzn. wiele nowych czujników pojawia się z dnia na dzień